fix(rag): ubatch=2048 pour llama-embed + retry rag-ingest + nettoie defaults rag

L'instance llama-embed (:1238) tournait avec l'ubatch llama.cpp par défaut (512).
En mode --embeddings + pooling, toute l'entrée doit tenir dans un seul ubatch →
tout chunk > 512 tokens échouait en HTTP 500 « input too large to process.
increase the physical batch size ». ~46 chunks du RAG (CHUNK_MAX=2000 chars ≈
700 tokens) n'étaient pas indexés.

- llama_server : ajoute llama_embed_ubatch_size (2048 = ctx) + flags
  --batch-size/--ubatch-size dans le template llama-embed.service.
- rag-ingest : retry (5×, backoff) sur erreurs transitoires 5xx/réseau de l'embed.
- rag/defaults : aligne embed_url/embed_model sur nomic :1238 (étaient des vars
  mortes pointant encore qwen3-8b :1234 — trompeuses).

Résultat : ré-ingestion 436/436 chunks, 0 erreur.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

ansible/roles/llama_server/defaults/main.yml

@@ -23,6 +23,11 @@ llama_embed_model_path: ""          # chemin GGUF sur /mnt/models (NFS)
 llama_embed_model_url: ""           # URL de téléchargement (HuggingFace) — get_url si absent
 llama_embed_model_alias: "nomic-embed-text"
 llama_embed_ctx_size: 2048
+# Batch physique (ubatch) = contexte : en mode --embeddings avec pooling, toute l'entrée doit
+# tenir dans UN seul ubatch. Le défaut llama.cpp (512) fait échouer en HTTP 500 tout chunk
+# > 512 tokens (« input too large to process. increase the physical batch size ») — c'est ce
+# qui faisait rater ~46 chunks du RAG (CHUNK_MAX=2000 chars ≈ 700 tokens). Aligné sur ctx-size.
+llama_embed_ubatch_size: 2048
 # CPU par défaut (0 couche GPU). nomic-embed-text est minuscule (137M) → ~100 ms en CPU,
 # DÉTERMINISTE. Sur GPU (99) il partage la RX 6700XT avec le chat qwen3-8b (:1234) et tombe
 # dans la file derrière une génération → latence BIMODALE (16 ms ou 9-12 s, voire timeout) →

ansible/roles/llama_server/templates/llama-embed.service.j2

@@ -13,6 +13,8 @@ ExecStart=/opt/llama.cpp/build/bin/llama-server \
     --host {{ llama_server_host }} \
     --port {{ llama_embed_port }} \
     --ctx-size {{ llama_embed_ctx_size }} \
+    --batch-size {{ llama_embed_ubatch_size }} \
+    --ubatch-size {{ llama_embed_ubatch_size }} \
     --n-gpu-layers {{ llama_embed_n_gpu_layers }} \
     --alias {{ llama_embed_model_alias }} \
     --embeddings \

ansible/roles/rag/defaults/main.yml

@@ -3,6 +3,10 @@ rag_data_dir: /srv/data/rag
 rag_docs_dir: /srv/data/rag/docs
 
 qdrant_url: "http://127.0.0.1:6333"
-embed_url: "http://192.168.10.20:1234/v1/embeddings"
+# Embeddings : instance dédiée nomic-embed-text (gpu-01 :1238, dim 768), pas le modèle de chat.
-embed_model: "qwen3-8b"
+# NB : ces deux vars ne sont PAS injectées dans les scripts (le handler lance rag-ingest sans env) —
+# les scripts files/rag-ingest et files/rag-query hardcodent ces mêmes valeurs par défaut.
+# Conservées ici pour documenter la cible et éviter toute régression vers qwen3-8b/:1234.
+embed_url: "http://192.168.10.20:1238/v1/embeddings"
+embed_model: "nomic-embed-text"
 rag_collection: "funk-docs"

ansible/roles/rag/files/rag-ingest

@@ -7,6 +7,7 @@ Usage: rag-ingest [docs_dir]
 import os
 import sys
 import json
+import time
 import hashlib
 import re
 import urllib.request
@@ -57,8 +58,22 @@ def ensure_collection():
 
 
 def embed(text):
-    result = _request("POST", EMBED_URL, {"model": EMBED_MODEL, "input": text})
+    # L'instance llama-embed (:1238) renvoie occasionnellement des 500 transitoires sous charge
-    return result["data"][0]["embedding"]
+    # soutenue (slot saturé) → retry avec backoff. Les chunks sont bornés (CHUNK_MAX=2000) donc
+    # un 500 n'est pas dû à un dépassement de contexte.
+    last = None
+    for attempt in range(5):
+        try:
+            result = _request("POST", EMBED_URL, {"model": EMBED_MODEL, "input": text})
+            return result["data"][0]["embedding"]
+        except (urllib.error.HTTPError, urllib.error.URLError) as e:
+            last = e
+            code = getattr(e, "code", None)
+            # Ne réessaie que sur erreurs transitoires (5xx) ou réseau
+            if code is not None and code < 500:
+                raise
+            time.sleep(0.5 * (attempt + 1))
+    raise last
 
 
 def chunk_markdown(rel_path, content):